論文の概要: EffSeg: Efficient Fine-Grained Instance Segmentation using Structure-Preserving Sparsity

• arxiv url: http://arxiv.org/abs/2307.01545v1
• Date: Tue, 4 Jul 2023 07:58:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 17:47:38.629190
• Title: EffSeg: Efficient Fine-Grained Instance Segmentation using Structure-Preserving Sparsity
• Title（参考訳）: EffSeg: 構造保存空間を用いた高効率細粒度インスタンスセグメンテーション
• Authors: C\'edric Picron, Tinne Tuytelaars
• Abstract要約: 本稿では,SPS(Structure-Preserving Sparsity)手法を用いて,インスタンスの細粒度セグメンテーションを効率的に行うことを提案する。 EffSegは、RefineMaskと比較してCOCOで同様のパフォーマンスを実現し、FLOPの数を71%削減し、FPSを29%増やした。
• 参考スコア（独自算出の注目度）: 41.24728444810133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many two-stage instance segmentation heads predict a coarse 28x28 mask per instance, which is insufficient to capture the fine-grained details of many objects. To address this issue, PointRend and RefineMask predict a 112x112 segmentation mask resulting in higher quality segmentations. Both methods however have limitations by either not having access to neighboring features (PointRend) or by performing computation at all spatial locations instead of sparsely (RefineMask). In this work, we propose EffSeg performing fine-grained instance segmentation in an efficient way by using our Structure-Preserving Sparsity (SPS) method based on separately storing the active features, the passive features and a dense 2D index map containing the feature indices. The goal of the index map is to preserve the 2D spatial configuration or structure between the features such that any 2D operation can still be performed. EffSeg achieves similar performance on COCO compared to RefineMask, while reducing the number of FLOPs by 71% and increasing the FPS by 29%. Code will be released.
• Abstract（参考訳）: 多くの2段階のインスタンスセグメンテーションヘッドは、インスタンスごとに粗い28x28マスクを予測しており、多くのオブジェクトのきめ細かい詳細をキャプチャするには不十分である。 この問題を解決するため、PointRendとRefineMaskは112x112のセグメンテーションマスクを予測し、より高い品質セグメンテーションをもたらす。 どちらのメソッドも、隣接する機能(PointRend)にアクセスできないか、あるいは空間的な場所を疎結合に実行する(RefineMask)。 本稿では,能動的特徴量,受動的特徴量,特徴量を含む密集した2次元インデックスマップを別々に保存し,構造保存スパーシティ(sps)法を用いて,効率的なインスタンス分割を行うeffsegを提案する。 インデックスマップの目的は、どんな2D操作でも実行できるような特徴間の2D空間構成や構造を維持することである。 EffSegは、RefineMaskと比較してCOCOで同様のパフォーマンスを実現し、FLOPの数を71%削減し、FPSを29%増やした。 コードはリリースされる。

関連論文リスト

• DynaMask: Dynamic Mask Selection for Instance Segmentation [21.50329070835023]
  我々は,各インスタンスに最適なマスク解像度を選択するために,計算コストを無視できるマスクスイッチモジュール(MSM)を開発した。 提案手法,すなわちDynaMaskは,高い計算オーバーヘッドで,他の最先端技術よりも一貫した,顕著なパフォーマンス向上を実現する。
  論文  参考訳（メタデータ） (2023-03-14T13:01:25Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Real-time Instance Segmentation with Discriminative Orientation Maps [0.16311150636417257]
  本論文では,OrienMaskと呼ばれるリアルタイムインスタンス分割フレームワークを提案する。 いくつかの識別方向マップを予測するためにマスクヘッドが追加される。 同じアンカーサイズにマッチするすべてのインスタンスは、共通の向きマップを共有する。
  論文  参考訳（メタデータ） (2021-06-23T07:27:35Z)
• RefineMask: Towards High-Quality Instance Segmentation with Fine-Grained Features [53.71163467683838]
  RefineMaskは、オブジェクトやシーンの高品質なインスタンスセグメンテーションのための新しい方法です。 インスタンス毎のセグメンテーションプロセス中に粒度の細かい機能を多段階的に組み込む。 以前のほとんどのメソッドで過剰にスムースされたオブジェクトの曲がった部分のようなハードケースをセグメンテーションすることに成功します。
  論文  参考訳（メタデータ） (2021-04-17T15:09:20Z)
• SipMask: Spatial Information Preservation for Fast Image and Video Instance Segmentation [149.242230059447]
  SipMaskと呼ばれる高速な単一ステージインスタンス分割法を提案する。 検出されたバウンディングボックスの異なるサブリージョンにインスタンスのマスク予測を分離することで、インスタンス固有の空間情報を保存する。 リアルタイム機能の面では、SipMaskはYOLACTを、同様の設定で3.0%(マスクAP)という絶対的なゲインで上回ります。
  論文  参考訳（メタデータ） (2020-07-29T12:21:00Z)
• SOLOv2: Dynamic and Fast Instance Segmentation [102.15325936477362]
  パフォーマンスの高いシンプルで直接的で高速なインスタンスセグメンテーションフレームワークを構築しています。 オブジェクトセグメンタのマスクヘッドを動的に学習することで、さらに一歩前進する。 簡単な直接インスタンス分割システムを示し,高速化と精度の両面において,いくつかの最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-23T09:44:21Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。